基于图像处理的位置坐标获取方法应用*

梁佳楠 李丽丽 周磊



基于图像处理的位置坐标获取方法应用*

梁佳楠1,2李丽丽3周磊1,2

（1.广东省智能制造研究所 广东省现代控制与光机电技术公共实验室 2.华南智能机器人创新研究院 3.顺德职业技术学院）

图像处理作为视觉控制的关键技术，可根据物体外部特征提取的轮廓进行模板匹配，获取物体在图像中位置坐标信息。以散乱的瑞士糖为例，通过对图像进行提取、滤波、灰度化和边缘检测，有效解决规则几何目标的识别问题，且能准确计算目标的坐标参数。

图像处理；图像滤波；边缘检测；图像匹配

0　引言

图像处理模块可通过图像处理算法，提取目标图像的特征信息进行中心定位，是视觉系统的核心。本文对散落的彩色瑞士糖进行试验，对所采集的图像进行提取、滤波、灰度化、边缘检测和模板匹配，并以此来确定目标物体的位置坐标[1-5]。

1　图像处理模块整体设计

图像处理模块一般由光源、镜头、数字摄像机、图像采集卡和计算机构成。数字摄像机拍摄目标物体并将其转化为图像信号，通过图像采集卡传输给图像处理系统并灰度化；图像在采集过程中受到自身或外部环境的影响，会引入将噪声，将影响图像质量，需去除噪声；提取轮廓，进行相似性和一致性分析，获得位置坐标；位置坐标反馈给控制器，用于路径规划和位置计算。图像提取流程如图1所示，图像处理实验平台如图2所示。

2　图像预处理

图像预处理将物理图像转变为数字信号。首先将图像采样划分，分割为像素小区域，此时图像像素灰度连续；再利用数值反映像素的明暗程度，使灰度不再连续，具有离散性。通过上述方法，可使每个像素都具备位置和灰度两个属性。这两个属性可构成整数矩阵，被计算机采样和量化处理，这样物理图像就转换成计算机可识别的数字化图像。

图1　图像提取流程

图2　图像处理实验平台

彩色图像包含的信息量较大，会增加识别算法的工作量，需对彩色图像进行灰度化处理。彩色图像中，每个像素点都由红()绿()蓝()3个颜色分量组成，且每个分量都有255种值可取，其中0表示最暗黑色，255表示最亮白色。灰度图像指在模型中，当时，则颜色为一种灰度颜色，其中的值称为灰度值，因此，灰度图像每个像素只需一个字节存放灰度值[6]。

本文对散落的彩色瑞士糖进行试验。灰度处理前后的图像如图3所示。

3　图像滤波

图像处理环节往往会引入噪声。一方面可能是成像系统、传输过程或记录设备的不完善造成的；另一方面，输入对象未达预期效果也会引入噪声。噪声信号以无用信息的形式，对图像可观测信息进行扰乱。对于数字图像信号，噪声表现为或大或小的极值，这些极值通过加减作用于图像像素的灰度值上，对图像造成亮、暗点干扰[7]。去除目标和背景中的噪声影响，同时尽量保证目标的形状、大小和特定的几何结构特征，是图像滤波必须考虑的问题[6]。

图像滤波可抑制目标图像噪声，同时又能够尽量保留图像的细节特征。本文获取坐标是为了实现机器人的抓取，且对抓取速度有一定的要求。中值滤波虽然在图像处理方面具有较大优势，但其耗时较长。高斯滤波法是线性平滑滤波，具有可控性，且能有效保存物体的图像信息，虽然部分细节会出现模糊，但是对目标物体整体边缘影响不大，故本文采用高斯滤波对图像进行滤波处理。

图像滤波常用二维零均值离散高斯函数作平滑滤波器，二维高斯函数为[8]

滤波前后的图像和经过灰度化及边缘检测后的图像如图4所示。

图4　高斯滤波前后效果图

通过图4(c)、图4 (d)对比可知，经过滤波的图像虽然变模糊，但其边缘特征更为明显，很少有噪声图像出现。

4　图像特征处理（边缘检测）

图像信息有很大一部分都集中于边缘，边缘的确定，对整个图像场景的识别和理解尤为重要。边缘是灰度不断连续的结果，边缘处理就是求出每个像素在其领域内的灰度变化。边缘存在于图像中的不同灰度邻域之间，该变化是通过计算一阶倒数或二阶导数得到的。常见的边缘可分为阶跃型、斜坡型、线状型和屋顶型。最理想的边缘类型是阶跃型，这种边缘最容易识别。但是采样过程会存在一些误差，从而使边缘发生灰度渐变，出现斜坡，成为斜坡型边缘。线状型边缘因其本身就有灰度突变，所以在成像时会出现一条细线。屋顶边缘是中间向两侧渐变，其灰度斜坡改变较为缓慢，因此会呈现粗边缘。

在数字图像处理中，常见的边缘检测方法主要基于Canny算子，其检测精度较高，具有平滑作用，去噪能力强，检测效果较好。检测步骤如下：

1）消除噪声，常用方法是利用高斯平滑滤波器，通过卷积运算对系统进行降噪处理，高斯内核选取为

梯度的幅值的大小和方向可表示为

3）非极大值抑制，主要目的剔除不是边缘的因素，留下一部分细线条作为候选的边缘像素；

4）滞后阈值，由高阈值和低阈值组成，梯度值大于高阈值的部分作为像素边缘保留；梯度值小于低阈值的部分像素直接删除；介于两阈值间且与边缘点邻接的点作为边缘保留，否则删除。模板及图像边缘化后的效果图分别如图5、图6所示。

图5　模板边缘化效果图

图6　图像边缘化效果图

5　图像匹配

在得到图像内容、灰度和特征等之后，需将这些因素与内部表达式之间相关联，进行相似性和一致性分析，并进行相似影像的目标匹配。本文主要采用模板匹配法来实现图像匹配。模板相当于一个已知图像的集合，与目标图像有相同的图像元素，也具有一样的大小、方向和形状的元素。在此集合中寻求目标图像，即将目标图像按一定的规律移至模板。由于误差法具有较高的精度，匹配速度快，本文选择误差法进行模板匹配。

其中，，为模板的宽和高。

将边缘处理后的图像（如图5(a)）作为模板。结合误差法，将选择的模板在原图中移动、旋转、匹配到与之相吻合的目标物体，匹配结果如图7所示。

6　图像目标物体的位置坐标获取

边缘处理后，将图像中的目标物体进行模板匹配，并按横坐标由大到小排列，编号从0开始依次增加，如图8所示。

图7　误差法进行模板匹配

图8　目标物体的位置坐标获取

7　结论

相机拍的多组照片通过图像处理算法进行数据识别及计算，能够准确的识别目标物体的边界特征与质心，从而得到一组完整的坐标，解决目标精确定位的问题。

[1] 陈泽宁,张学习,彭泽荣,等.基于机器视觉的工件定位和识别[J].电子科技,2016,29(4):99-103.

[2] 陈泽宁,张学习,彭泽荣.基于机器视觉的工件定位和识别[J].电子科技,2016,29(4):99-103.

[3] 党希超.基于视觉导向的机械手抓取定位技术研究[D].广州:华南理工大学,2013.

[4] 傅华强,房芳.工业机器人视觉定位技术研究与应用[J].工业控制计算机,2016,29(3):1-3,5.

[5] 倪鹤鹏,刘亚男,张承瑞,等.基于机器视觉的Delta机器人分拣系统算法[J].机器人,2016,38(1):49-55.

[6] 龚爱平.基于嵌入式机器视觉的信息采集与处理技术研究[D].杭州:浙江大学,2013.

[7] 徐家祥.电连接器壳体零件多尺寸精密测量系统[D].镇江:江苏大学,2016.

[8] 高庆吉,徐萍,杨璐.基于改进Harris角点提取算法的网格图像破损检测[J].计算机应用,2012,32(3):766-769.

Application of Location Coordinate Acquisition Method Based on Image Processing

Liang Jianan1,2Li Lili3Zhou Lei1,2

(1.Guangdong Institute of Intelligent ManufacturingGuangdong Modern Control Andoptical Electrical and Mechanical Technology Public Laboratory2.South China Robotics Innovation Research Institute 3.Shunde Polytechnic)

Image processing, as the key technology of visual control, can extract the contour according to the external features of the object, match the template and obtain the position coordinates of the object in the image.Taking scattered Swiss sugar as an example, this paper studies the application of image recognition algorithms such as image extraction, filtering, grayscale and edge detection.It effectively solves the problem of identifying geometric objects and accurately calculates the coordinate parameters of targets.

Image Processing; Image Filtering; Edge Detection; Image Matching

梁佳楠，男，1989年生，硕士研究生，主要研究方向：工业机器人、工厂自动化。E-mail: 561295016@qq.com

李丽丽，女，1981年生，硕士研究生，教师，主要研究方向：机器视觉与控制等。E-mail: lilili9922@163.com

周磊，男，1982年生，博士研究生，主要研究方向：生产智能控制。E-mail: 94718766@qq.com

广东省科技计划项目（2016B090912005）、（2015B090922008）；广东省科学院创新驱动发展能力建设专项（2017GDASCX-0115）、（2018GDASCX-0115）；广东省科学院引进全职博士学位人才资助专项（2018GDASCX-0955）。